易禮秋

摘 ?要：為提高電力負(fù)荷預(yù)測的精度，文章提出一種將多層前饋神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）和自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOM網(wǎng)絡(luò)）相結(jié)合的方法并應(yīng)用到短期電力負(fù)荷預(yù)測中，首先利用自組織特征映射神經(jīng)網(wǎng)絡(luò)對負(fù)荷的原始數(shù)據(jù)進(jìn)行聚類預(yù)處理，使具有相似性的樣本點(diǎn)聚集在一起，之后利用BP神經(jīng)網(wǎng)絡(luò)對樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)和預(yù)測，結(jié)果表明，相比直接利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，增加SOM聚類處理過程能有效減小預(yù)測誤差。說明此方法可以有效預(yù)測出負(fù)荷的大小，也表明SOM對相關(guān)負(fù)荷參數(shù)分類的有效性，同時(shí)對利用神經(jīng)網(wǎng)絡(luò)預(yù)測方法來實(shí)現(xiàn)負(fù)荷的預(yù)測起到重要作用。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);自組織特征映射神經(jīng)網(wǎng)絡(luò);負(fù)荷;電力負(fù)荷預(yù)測

中圖分類號：TM614 ? ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ? ? 文章編號：2095-2945（2020）28-0023-03

Abstract： In order to improve the accuracy of power load forecasting， this paper proposes a method combining multilayer Back Propagation neural network（BP neural network） with Self-Organizing Map neural network （SOM neural network） and applies it to short-term power load forecasting. Firstly， the Self-Organizing Map neural network is used to cluster and preprocess the original load data. After clustering the similar sample points together， BP neural network is used to learn and forecast the sample data. The results show that the increase of SOM clustering process can effectively reduce the forecasting error compared with the direct use of BP neural network forecasting results. It shows that this method can effectively forecast the size of the load， and also shows the effectiveness of SOM for the classification of relevant load parameters. At the same time， it plays an important role in using neural network forecasting method to achieve load forecasting.

Keywords： neural network; self-organizing map neural network; load; power load forecasting

1 概述

隨著時(shí)代的快速發(fā)展，科學(xué)技術(shù)與經(jīng)濟(jì)技術(shù)的不斷更新，電力能源在當(dāng)代社會(huì)里扮演著一個(gè)十分重要的角色，是生活中不可缺少的一部分。電力系統(tǒng)的正常運(yùn)行保障了各行各業(yè)的用電需求，它的供應(yīng)與國家經(jīng)濟(jì)和人們生活有著密切關(guān)聯(lián)。電力負(fù)荷預(yù)測尤其是短期電力負(fù)荷預(yù)測，有益于系統(tǒng)維持可用發(fā)電容量與電力需求之間的平衡，準(zhǔn)確的短期電力負(fù)荷預(yù)測，電力系統(tǒng)的作用是對各個(gè)行業(yè)的用戶提供盡可能高質(zhì)量和可靠性強(qiáng)的電能。電力系統(tǒng)的準(zhǔn)確預(yù)測與電力系統(tǒng)的控制以及運(yùn)行有著密切的相互作用，也是電網(wǎng)規(guī)劃的重要依據(jù)，準(zhǔn)確可靠的電力負(fù)荷預(yù)測能夠確保系統(tǒng)的穩(wěn)定運(yùn)營，為我們的生活增添了多彩多樣的色彩。

電力負(fù)荷預(yù)測是電力系統(tǒng)穩(wěn)定運(yùn)作的至關(guān)重要的部分，以電力負(fù)荷為對象進(jìn)行的一系列預(yù)測工作，通常負(fù)荷預(yù)測可根據(jù)應(yīng)用目的和預(yù)測時(shí)間長短的不同，可以分為短期、中期、長期這幾類，其中，短期負(fù)荷預(yù)測對于電力系統(tǒng)的經(jīng)濟(jì)穩(wěn)定運(yùn)行以及人們生活質(zhì)量有著重要作用，從預(yù)測對象來看，電力負(fù)荷預(yù)測包括對未來電力需求量（功率）的預(yù)測和對未來用電量（能量）的預(yù)測以及對負(fù)荷曲線的預(yù)測，其主要工作是預(yù)測未來電力負(fù)荷的時(shí)間分布和空間分布，為電力系統(tǒng)規(guī)劃和運(yùn)行提供可靠的決策依據(jù)，在發(fā)電這一過程中，精確測量負(fù)荷大小有利于節(jié)能減排、降低經(jīng)濟(jì)成本、改進(jìn)提升電能性能，還起到保護(hù)環(huán)境的作用，這更體現(xiàn)出短期電力負(fù)荷預(yù)測的重要性，為了精準(zhǔn)及時(shí)地預(yù)測電能的消耗具體情況，對電力負(fù)荷預(yù)測來說能夠建立預(yù)測模型是十分必要的因素。近年來，國內(nèi)外對短期電力負(fù)荷預(yù)測模型進(jìn)行研究是非常廣泛的， 針對其預(yù)測方法也是在不斷創(chuàng)新，經(jīng)典預(yù)測方法包括時(shí)間序列法、指數(shù)平滑法、回歸分析法等等;現(xiàn)代主要預(yù)測方法有灰色預(yù)測法、支持向量機(jī)法、隨機(jī)森林預(yù)測法、人工神經(jīng)網(wǎng)絡(luò)方法、小波分析法等等。近幾年來，人工神經(jīng)網(wǎng)絡(luò)在各個(gè)方面都有顯著研究成果，在處理數(shù)據(jù)、圖像處理、模式識別、預(yù)測評估等領(lǐng)域都得到了廣泛應(yīng)用，并且都取得了較好的成績，用神經(jīng)網(wǎng)絡(luò)預(yù)測電力負(fù)荷已有大量作者應(yīng)用分析，例如，2011年，張珣與顏文俊等人針對風(fēng)電場發(fā)電的電力負(fù)荷預(yù)測問題，提出了一種基于AMPSO算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的一種負(fù)荷預(yù)測方法[1]。2014年，徐晨和曹莉等人提出一種基于ABC-BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測方法[2]。2017年，岳宇飛和羅健旭通過一種改進(jìn)的SOM神經(jīng)網(wǎng)絡(luò)在污水處理故障診斷中的應(yīng)用[3]。2018年，任東紅與林鵬等人給出一種基于改進(jìn)PSO的BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測模型[4]。2019年，Bedi， J;Toshniwal， D為提高電力負(fù)荷預(yù)測精度，建立了基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測模型[5]。但到目前為止，提高負(fù)荷預(yù)測的精準(zhǔn)性和穩(wěn)定性仍是一個(gè)難題，本文通過利用SOM與BP神經(jīng)網(wǎng)絡(luò)相合的應(yīng)用來預(yù)測，該方法運(yùn)用在BP神經(jīng)網(wǎng)絡(luò)預(yù)測的基礎(chǔ)之上，使用SOM分類，讓負(fù)荷較為集中分為每一類，更利于預(yù)測負(fù)荷，提高預(yù)測精度。

2 神經(jīng)網(wǎng)絡(luò)算法原理

2.1 BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)（Back Propagation），是1986年由Rumelhart和Mc Celland為首的科學(xué)家提出，采用的是一種是誤差反向傳播算法，它包括信息的正向傳播和誤差的反向傳播。BP神經(jīng)網(wǎng)絡(luò)模型包括三層，其中有輸入層、隱含層、輸出層。首先給定初始權(quán)值和閾值，通過帶入設(shè)定的激活函數(shù)，常用的激活函數(shù)有線性函數(shù)、坡度函數(shù)、閾值函數(shù)、S型函數(shù)以及雙極S型函數(shù)，隱含層的每個(gè)神經(jīng)元節(jié)點(diǎn)進(jìn)行傳遞，直至輸出層將得到預(yù)測值。緊接著計(jì)算出真實(shí)值與預(yù)測值的誤差，進(jìn)行反向傳導(dǎo)，并誤差采用梯度下降法修正權(quán)值，通過反復(fù)訓(xùn)練學(xué)習(xí)，使誤差達(dá)到最小化。由于影響負(fù)荷預(yù)測的樣本數(shù)值單位大小不統(tǒng)一，會(huì)造成預(yù)測的精度降低，所以要對訓(xùn)練樣本數(shù)據(jù)以及測試樣本數(shù)據(jù)進(jìn)行歸一化處理，有助于加快訓(xùn)練速度提高預(yù)測精度。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程需要以下具體步驟：

Step1：初始閾值與權(quán)值的設(shè)定，輸入層到隱含層以及再到各個(gè)節(jié)點(diǎn)的權(quán)值閾值應(yīng)在（-1，1）之間的隨機(jī)數(shù)，具體數(shù)值要使得預(yù)測效果最優(yōu)。

Step2：隱含層的神經(jīng)元個(gè)數(shù)的設(shè)定，隱含層節(jié)點(diǎn)數(shù)過多或過少直接會(huì)影響訓(xùn)練結(jié)果，本文根據(jù)文章需要選擇經(jīng)驗(yàn)公式：

式中，n為輸入層神經(jīng)元節(jié)點(diǎn)數(shù)，l為輸出層神經(jīng)元節(jié)點(diǎn)數(shù)，本文選取輸入層神經(jīng)元節(jié)點(diǎn)數(shù)為24個(gè)，輸出層神經(jīng)元節(jié)點(diǎn)數(shù)為1個(gè)，所以本文中隱含層節(jié)點(diǎn)數(shù)為8。

Step3：其他訓(xùn)練參數(shù)的設(shè)定，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練迭代次數(shù)、訓(xùn)練目標(biāo)以及學(xué)習(xí)率都需要根據(jù)自己需求設(shè)置，主要目的是使得輸出預(yù)測值最精確。本文設(shè)定迭代次數(shù)為50，訓(xùn)練目標(biāo)為0.001，即均方根誤差小于0.001時(shí)訓(xùn)練才會(huì)停止。

Step4：激活函數(shù)的設(shè)定，本文激活函數(shù)設(shè)置為Sigmoid的Log-Sigmoid函數(shù)和Tan-Sigmoid函數(shù)。

2.2 自組織特征映射（SOM）神經(jīng)網(wǎng)絡(luò)

自組織神經(jīng)網(wǎng)絡(luò)（Kohonen網(wǎng)絡(luò)）是由芬蘭學(xué)者TeuvoKohonen于1981年提出的，它與上述的BP神經(jīng)網(wǎng)絡(luò)不屬于同一系列神經(jīng)網(wǎng)絡(luò)，SOM算法屬于競爭神經(jīng)網(wǎng)絡(luò)類型中的典型網(wǎng)絡(luò)，它只有兩層結(jié)構(gòu)，包括輸出層和競爭層也叫輸出層。SOM神經(jīng)網(wǎng)絡(luò)是一種無監(jiān)督模式的學(xué)習(xí)方法，主要特點(diǎn)是將輸入層的任意維度數(shù)據(jù)在輸出層映射成一維或者二維離散形式，并保持其拓?fù)浣Y(jié)構(gòu)不變，網(wǎng)絡(luò)通過對輸入模式的反復(fù)學(xué)習(xí)，將輸入樣本數(shù)據(jù)進(jìn)行聚類。

根據(jù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的特點(diǎn)可知，由于所使用的訓(xùn)練算法收斂速度慢且極容易陷入局部極小，使得用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的預(yù)測模型的誤差較大，導(dǎo)致結(jié)果的預(yù)測精度不高。由于電力負(fù)荷預(yù)測受到各個(gè)因素的干擾造成預(yù)測精度不高，主要因?yàn)閿?shù)據(jù)具有相似性與多重性，本文對訓(xùn)練樣本數(shù)據(jù)集通過SOM算法聚類分析，讓數(shù)據(jù)歸一化并聚類，將數(shù)據(jù)分布達(dá)到一致性。

3 數(shù)據(jù)處理和仿真

本文算例分析所選用的電力負(fù)荷數(shù)據(jù)出自PJM大西洋中部地區(qū)，時(shí)間間隔為1小時(shí)。算例仿真在MATLAB R2017a軟件上實(shí)現(xiàn)。選取2016年7月1日-7月30日的原始負(fù)荷值作為訓(xùn)練集訓(xùn)練模型，以預(yù)測2016年7月31日作為測試集，由相鄰負(fù)荷數(shù)據(jù)之間存在相似性，某一時(shí)刻點(diǎn)的負(fù)荷與其前1小時(shí)，或者與其前幾天同一時(shí)刻的負(fù)荷有相似性，所以本文選用744個(gè)電力負(fù)荷數(shù)據(jù)作為樣本，神經(jīng)網(wǎng)絡(luò)對應(yīng)的輸入數(shù)據(jù)為以預(yù)測T1的第1小時(shí)的電力負(fù)荷值為例，滾動(dòng)預(yù)測當(dāng)天剩余的23個(gè)小時(shí)的負(fù)荷值，其它幾天的待預(yù)測負(fù)荷值可通過同過程預(yù)測獲得，選取720個(gè)作為學(xué)習(xí)樣本集，用剩余的24個(gè)樣本作為測試數(shù)據(jù)集。

4 結(jié)果與討論

BP神經(jīng)網(wǎng)絡(luò)可以通過自適應(yīng)學(xué)習(xí)逼近實(shí)現(xiàn)任何復(fù)雜非線性映射，因?yàn)锽P神經(jīng)網(wǎng)絡(luò)是不受非線性模型的限制，所以BP神經(jīng)網(wǎng)絡(luò)可以運(yùn)用到各個(gè)領(lǐng)域的研究。首先，BP神經(jīng)網(wǎng)絡(luò)會(huì)對原始學(xué)習(xí)數(shù)據(jù)進(jìn)行學(xué)習(xí)，在其測試樣本數(shù)據(jù)進(jìn)行模擬仿真后，得到結(jié)果的平均誤差為0.0133，負(fù)荷預(yù)測值與實(shí)際負(fù)荷值還是存在較大的偏差，這也表明直接利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行電力負(fù)荷的預(yù)測與傳統(tǒng)的線性回歸分析方法的相比較，雖然會(huì)顯著有成效，但是還存在一些缺陷，此外直接利用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練它的速度較慢其原因之一是各個(gè)樣本的特征不一致，并且樣本分布較為分散。

通過BP神經(jīng)網(wǎng)絡(luò)輸出結(jié)果與SOM-BP組合神經(jīng)網(wǎng)絡(luò)輸出結(jié)果對比圖（圖1）可知，SOM-BP組合人工神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)方法能夠得到更加顯著的效果，即誤差更小，與實(shí)際的電力負(fù)荷值更加接近，即SOM-BP模型預(yù)測效果更優(yōu)。

5 結(jié)論

本文針對短期負(fù)荷預(yù)測精度問題提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和自組織特征映射（SOM）神經(jīng)網(wǎng)絡(luò)相結(jié)合的電力負(fù)荷預(yù)測方法，首先通過計(jì)算皮爾遜相關(guān)系數(shù)來找出待預(yù)測時(shí)刻點(diǎn)的局部負(fù)荷特征向量與其前面各時(shí)刻的局部負(fù)荷特征向量之間的相關(guān)性，確定了電力負(fù)荷預(yù)測的候選特征集，利用自組織特征映（SOM）神經(jīng)網(wǎng)絡(luò)對電力負(fù)荷的原始數(shù)據(jù)進(jìn)行分類處理，再利用BP神經(jīng)網(wǎng)絡(luò)對每一類分別進(jìn)行訓(xùn)練和仿真，實(shí)驗(yàn)結(jié)果表明SOM-BP神經(jīng)網(wǎng)絡(luò)組合能更加有效地預(yù)測出電力負(fù)荷值，對電力負(fù)荷的預(yù)測有更高的精確度，聚類后再利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測能夠取得更好的效果。這說明看似不相關(guān)的電力負(fù)荷的一些參數(shù)，實(shí)際存在著一些內(nèi)在的相似性，也說明了每1小時(shí)的負(fù)荷值與其前后同等時(shí)間段的負(fù)荷存在著必然的聯(lián)系，說明將此方法在短期電力負(fù)荷預(yù)測中具有一定的價(jià)值。但是在應(yīng)用該方法的時(shí)候，首先需要輸入的參數(shù)是準(zhǔn)確的，這就表明各個(gè)監(jiān)測數(shù)據(jù)d精確性與可靠性，這是實(shí)現(xiàn)預(yù)測的前提條件。此外，本文選擇的輸入?yún)?shù)為24個(gè)，根據(jù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的內(nèi)在特點(diǎn)以及影響負(fù)荷變動(dòng)的原因，在實(shí)際預(yù)測中，如果取得更多可靠準(zhǔn)確的參數(shù)輸入樣本集，則可以取得更加顯著有效的輸出結(jié)果，提高短期電力負(fù)荷預(yù)測的精度。今后，可進(jìn)一步研究探討關(guān)于神經(jīng)網(wǎng)絡(luò)預(yù)測電力負(fù)荷問題，更好地發(fā)揮各個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測模型的優(yōu)勢，進(jìn)一步提升預(yù)測模型的精度，改進(jìn)預(yù)測模型的穩(wěn)定性。

參考文獻(xiàn)：

[1]張珣，顏文俊，王超.基于AMPSO算法與神經(jīng)網(wǎng)絡(luò)的風(fēng)電場發(fā)電量預(yù)測[J].華東電力，2011，39（05）：797-802.

[2]徐晨，曹莉，梁小曉，等，基于ABC-BP神經(jīng)網(wǎng)絡(luò)的用量預(yù)測研究[J].計(jì)算機(jī)測量與控制，2014，22（3）：912-922.

[3]岳宇飛，羅健旭.一種改進(jìn)的SOM神經(jīng)網(wǎng)絡(luò)在污水處理故障診斷中的應(yīng)用[J].華東理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，43（03）：389-396.

[4]任東紅，林鵬，袁清萍，等.基于改進(jìn)PSO的神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測模型[J].淮海工學(xué)院學(xué)報(bào)（自然科學(xué)版），2018，27（02）：26-30.

[5]Bedi， J; Toshniwal， D. Deep learning framework to forecast electricity demand. Applied Energy. 2019，238：1312-1326.